在 Y Combinator 的 Office Hours 中，資深創投導師針對創業者在把 AI 帶入傳統產業時最核心的兩個問題下了最直接的分析：你賣給誰？你如何獲得他們的注意？本篇深度分析整理該場談話的實務建議、具體數據與多個真實案例（包括從創業公司如何選擇路徑、如何量化自動化進程、到市場切入與招募時機），提供希望在 legacy industry 用 AI 商業化的創辦人一套可操作的決策框架。

講者歸納了三種常見路徑，並分析各自優劣：

1) 做 AI 軟體賣給業內人士（最常見）
- 作法：找出「對會計師最有價值，且能在頭幾個月內實作」的子任務，做一個專精的產品並銷售給會計事務所。
- 優點：專注單一高價值功能，早期可驗證獲利模型。
- 條件：所做功能必須對客戶「夠值」，才會購買。

2) 創立自家全功能事務所（full-stack）
- 作法：自建會計事務所，內部逐步把工作自動化。
- 優點：直接掌握客戶與工作流程，可迭代產品。
- 風險：需處理稅務、帳務結算等繁雜流程，初期人工工作負擔大，須有人力（會計）在內部。
- 關鍵指標：「自動化率（percent of work automated）」—這個數字應隨時間上升。

3) 收購既有事務所再導入 AI
- 作法：買下已有客戶群的公司，再把 AI 引入流程。
- 優點：客戶已在手、可直接執行。
- 缺點：文化改造難度大；公司越大，改變越難做到。講者表示這種策略少見。

結論：多數 YC 投資組合傾向第一種；第二種次之；第三種較少人嘗試。

追蹤自動化率的衡量與失敗模式

重點提醒創辦人兩個常見風險：

• 量化目標要明確：若你走第二條路（自建事務所），應持續追蹤「自動化比率」，並把它當成核心指標而非只看營收。講者說：「作為一位軟體創辦人，你能看整個工作的流程，判斷哪些工作最容易立刻被自動化。」

• 常見失敗場景：「你只自動化 20% 的工作，80% 仍然人工；接著你開始快速擴張營收與人力（例如從幾人到二十人、三十人），結果只是一個『有人力主導的事務所』搭配一些軟體，而非真正的自動化公司。」（原文示例：20% vs 80%）

為避免此陷阱，講者提供兩個實務做法：
1) 設定團隊組成的最低技術比（講者回憶數字大約「30%」技術人員），避免技術比率被稀釋，確保團隊能持續推進自動化。
2) 建立強制條件（forcing function）：限制會計人員數量，迫使公司依賴 AI 來擴張產能，或在公司內公開顯示自動化率指標，建立文化導向。

講者曾說：「我如果是 SaaS 投資人，我更在乎自動化率的軌跡，而不是營收總額。」

市場切入：先打中市（mid-market）還是直衝大企業？

當資本與時間有限、投資者期待快速成長時，應如何取捨市場層級？

• 核心原則：早期最重要的是「學習速度（pace of learning）」。選擇能讓你更快學到客戶需求、痛點與產品適配性的市場，比追求高單價但長銷售週期的大企業來得更有利。
• 可行策略：從「有問題且規模最小能具備該問題」的客戶開始（也就是「能真正需要你解決問題的最小公司規模」），或把解決方案大幅縮小成只有 1–2 個使用者能用的窄產品來縮短銷售週期。
• 例外：若問題本身只出現在大型企業（enterprise-only problem），則必須直接切入大企業，因為小公司根本沒有此痛點。

此外，把「找對決策者與被賦權的人」列為首要篩選條件：即使在中市找到願意快速採購的人，速度也可能很快；但若接觸的是不具決策權或動機的買家，無論市場大小都會拖慢學習與成長。

AI SDR（銷售機器人）與自動化招募的真正效力

關於是否用 AI 取代成長、銷售或 SDR 職能，講者提出明確立場：

• 「我對 AI 銷售軟體很看好，但 AI SDR 在已存在可運作的銷售流程時才效果最好。若創辦人把 AI 當最後一搏、想用它來替代尚未解決的『如何賣產品』問題，通常無效。」（直譯自原文）

• 核心是：創辦人必須先找出「誰是買家」與「如何吸引買家」這兩個魔術公式，當這兩者已被摸索清楚時，AI 可以很有效率地放大銷售（scale）。否則，AI 只是做大量沒用功的複製（大量 churn）。

• 與聘請第一位業務的傳統建議一致：過早招業務常是錯誤，這個時機點在 AI 角色上更為放大。創辦人應親自學習 SDR/行銷/業務工作內容，再考慮用 AI 或人來複製這些流程。

在大模型升級（例如 GPT-5）前應該「積極花錢」還是「等模型」？

面對模型躍進與不確定性，講者給出實務判斷：

• 先問自己：我做的東西在新一代模型出現後會變成「完全不必要」？還是「會變得更好」？
• 若屬於後者（模型將讓產品更好），那就應當現在投入：透過開發你會學到大量產品與市場知識，當新模型可用時，你能「plug-and-play」大幅提升產品。講者說：「你可能會多花一些成本，但學習價值值得。」
• 曾有實例（如某些 cogen 工具與 internal tools）在新模型推出後從幾乎不可用變得極其有效，因此先做能贏得學習經驗。

何時應該 Pivot（轉向）？有些「有些許成績但不夠好」的情況怎麼處理？

Pivot 是創業中最艱難的情境之一，講者總結了幾個實務指標與心態：

• 三種情境：明顯成功（不換）、完全失敗（必換）、有些成績但不夠強（最難判斷）。
• 成功的 Pivot 範例：某公司（從 Mandible 到 Firecall）在原產品已有「hundreds of thousands of dollars ARR」時，發現自己為解決內部問題而開發的 crawler 功能，其實是市場普遍需求的核心，最後把那個 component 變成核心產品並快速成長。關鍵不是瞬間跳換，而是「逐步實驗、把組件驗證後加速轉換」。
• 決策依據不是單一公式，而是「由大量用戶對話與客服反饋產生的深度信念（conviction）」。講者說：「pivot 是一個過程，需要能量（你必須有繼續戰鬥的體力）與多個替代想法來測試，而不是把唯一想法直接扔掉就放棄。」

另外，當團隊對產品的信念消失、或你發現雖然營收還在但用戶並不真正「重度依賴」產品（如只當作可有可無的工具），那是轉向的強烈信號。

技術難題：遇到無法短期解決的技術門檻應堅持還是縮小範圍？

講者觀點直接而鼓勵性：

• 技術難題往往是好事：「如果技術很難，別人不會嘗試，若你有能力解它，這通常是最有價值的點。」他以醫藥微工廠（microfactories）為例，雖然面臨技術與法規重重挑戰，但若成功會改變世界。
• 若技術上需數月才能達標，實務做法是「削減範圍、做可行的最小版本（MVP）」或先用第三方解法把產品包裝起來賣：例如早期做 Real-Time Bidding（RTB）平台的公司，先用第三方有 API 的廠商做前端介面與商業化，後來再把核心技術自建起來。Optimizely 的例子也顯示：先做「只給創辦人自己用的最簡陋工具」（bookmarklet），取得客戶與現金流後再迭代公版產品。
• 警告：不要把「技術需要時間」當藉口而不去與客戶溝通；即便產品尚不完善，也應大量跟用戶對話。

何時開始招人？招人數量與類型的判準

常見迷思是把「開始招人」當成成功指標，講者反駁並提供具體判準：

• 最直觀的信號是：事情已忙到你「排不出時間做面試」或「某個特定環節要崩潰」— 這時候就是開始面試與公開徵才的時機，但不要等到完全崩潰才開始，因為招募需要時間（通常需數月）。
• 招人不是成長指標：招聘不是成功的代表，而是為了避免公司因工作量而毀掉運作。很多創辦人在尚未確認 product–market fit 前就過早擴編，反而拖慢速度。
• 「機會式招聘（opportunistic hires）」是例外：當你身邊來了那個「最強人選／最信任的人」且他剛好可用，這種招募是值得的。相反地，若只是因為「看似不錯」但非頂尖的人才，就不建議草率聘用。

企業 SaaS 要不要開源？利弊與條件

對於是否把企業級 SaaS 開源，講者提供實務脈絡化的判斷：

• 開源最常見於開發者工具（dev tools），原因是開發者看重可檢視程式碼與自我託管的能力。
• 企業情境下，開源可作為「建立信任和縮短採購週期」的工具，尤其在對隱私/合規有高度顧慮的領域。例如有人做開源電子病歷（EHR），開源不是為了打造龐大社群，而是讓大型買家更願意採用，甚至縮短一年級的銷售時間。講者指出：「知道你可以查看或自託管的能力本身就能帶來信任。」
• 代價：自託管與開源會帶來明確成本，通常需要收取較高的價格以彌補支持與部署成本。隨著 AI 時代，客戶越來越要求「不要把機密數據寄給陌生的雲端」，因此自託管/開源的需求在 AI 領域更加常見。

結語 — 實務優先且以學習速度為中心

總結談話中的核心思維與可操作結論：

• 早期要回答的兩個核心問題永遠是：「我在賣給誰？」與「如何獲得他們的注意？」（講者直接說：「Two of the really hard questions you have to answer as a founder when you're getting started are who am I selling to and how do I get their attention?」）
• 對於把 AI 帶入傳統產業的創業者，三條商業路徑（賣軟體 / 自建服務 / 收購導入）各有利弊；選擇時以你能最快獲得學習與驗證的路徑為優先。
• 設定並公開關鍵指標（如自動化率、技術人員比率等）可以成為文化與執行的強制力；不要只看營收，投資人與長期成長更看重能否以軟體實際替代人力的軌跡。
• 在招募與使用 AI 工具時，先把銷售機制與客戶驗證做好再放大（無論是 AI SDR 還是真人業務），否則會浪費資源。
• 面對技術困難，若你具備能力與耐性，那通常代表高門檻也是高價值；但務必用「削減範圍、先做最簡版本、並持續訪談客戶」的策略來降低風險。

參考資料（原始影片）：https://www.youtube.com/watch?v=nGLmpKi-jRU